Il nostro protocollo presenta diversi metodi di valutazione e validazione del nomogramma di rischio concorrente, che considera la presenza di eventi concorrenti nell'analisi di sopravvivenza. Questo protocollo serve come complemento al pacchetto di regressione del rischio in R.Come il calcolo del C-index e la convalida interna, utilizzando il metodo bootstrap. Per iniziare per la discriminazione dell'indice C, inserire la pannocchia della matrice nel modello di rischio concorrente mod CRR e ottenere un SUV a matrice previsto eseguendo il comando.
Ottieni le incidenze cumulative in un determinato mese dal SUV e calcola l'indice C con la funzione R-core invia. Per la discriminazione AUC, assegnare un punteggio alle prestazioni predittive del modello di rischio concorrente, utilizzando il pacchetto di regressione del rischio e punteggio di funzione. Quindi estrarre l'AUC dal punteggio eseguendo il comando.
Per ottenere curve di calibrazione con un intervallo di confidenza del 95% del modello di rischio concorrente, ottenere un frame di dati con le incidenze cumulative di ciascun individuo in un determinato tempo di guasto. Quindi dividere la coorte in base alle incidenze cumulative stimate in cinque sottogruppi e calcolare l'incidenza cumulativa media prevista di ciascun sottogruppo. Calcolare l'incidenza cumulativa osservata che è l'incidenza cumulativa effettiva utilizzando la funzione cuminc.
E quindi ottenere le incidenze cumulative osservate con un intervallo di confidenza del 95% in un determinato tempo di errore eseguendo il comando. Tracciare la curva di calibrazione con le incidenze cumulative previste come asse X e le incidenze cumulative osservate come asse Y. Utilizzando la funzione gg plot.
Per la curva di calibrazione con punteggi di rischio del modello di rischio concorrente, valutare ogni livello di tutte le variabili e ottenere l'RS totale eseguendo il comando. Contare le frequenze e calcolare le incidenze cumulative osservate dei diversi punteggi di rischio totali. Impostare l'intervallo dell'asse X e calcolare l'incidenza cumulativa prevista dei punteggi di rischio totali.
Quindi tracciare la curva di calibrazione con i punteggi di rischio eseguendo il comando. Per ottenere le incidenze cumulative medie previste utilizzando il metodo bootstrap, ricampionare il set di dati originale, set di dati con sostituzione, per generare il set di dati bootstrap. Set di dati in.
Quindi stabilire un modello di rischio concorrente:mod NCRR con il set di dati bootstrap e utilizzare la funzione predict CRR per prevedere mod NCRR in tempi di loop B per generare SUV all in. Quindi, ottieni le incidenze cumulative medie previste in un determinato mese. Calcola il C-index usando la convalida incrociata dell'intervallo con la funzione R-core sends.
Per la calibrazione, utilizzando la convalida esterna, ottenere le incidenze cumulative previste utilizzando dati esterni e incidenze cumulative con la matrice di variabili di dati esterni:Code-X eseguendo il comando. Quindi calcolare il C-index utilizzando la convalida esterna eseguendo il comando. Due nomogrammi sono stati ottenuti utilizzando il metodo diretto e il metodo ponderato, dimostrando che i punti di ciascun livello di variabili e le probabilità corrispondenti ai punti totali erano quasi gli stessi.
Mentre sono state osservate alcune lievi differenze. La curva di calibrazione per il modello di rischio concorrente era vicina alla linea di equivalenza e l'intervallo di confidenza del 95% della frequenza osservata rientrava nella linea di equivalenza in ciascun gruppo. Indica la capacità di calibrazione accurata del modello.
Sono state mostrate curve di calibrazione utilizzando la convalida interna ed esterna, indicando che il modello costruito aveva una buona capacità di calibrazione nella convalida interna, ma una scarsa nella convalida esterna. Sono stati ottenuti i risultati dell'analisi della curva decisionale del nomogramma di rischio concorrente. Dimostrare le variazioni del beneficio netto con probabilità soglia crescente.
Il ricampionamento del set di dati originale è stato sostituito per generare il set di dati bootstrap come importante, nell'esecuzione della convalida interna del nomogramma di rischio concorrente. Oltre al metodo bootstrap, è possibile eseguire anche la visualizzazione randomizzata e il metodo K4 per generare set di dati utilizzati per la convalida interna. Utilizzando la nostra convalida del panorama basata su R del modello di rischio concorrente, i medici possono eseguire un'analisi della prognosi nel mondo reale considerando più facilmente il rischio concorrente.
